Die Maximierung der Verfügbarkeit von Fertigungs- oder Energieanlagen ist eine große Herausforderung für viele Betriebe. Fallen Maschinen in eng getakteten Produktions- und Logistikprozessen aufgrund unvorhergesehener Schäden oder unplanmäßiger Wartungsarbeiten aus, geraten Unternehmen hinsichtlich der mit ihren Geschäftspartnern vereinbarten Ziele schnell unter Druck. Auch das Einlagern von Ersatzteilen, welches in der Regel zu viel und zu langfristig Kapital bindet, gilt längst als nicht mehr weit genug reichender Lösungsansatz.

Zusammenhänge in Einklang bringen

Im Vorfeld werden die abgesicherten Zustandsklassen und Zielfunktionen für die einzelnen Kriterien definiert.

© PSI FLS Fuzzy Logik & Neuro Systeme

Vor diesem Hintergrund steht der Ansatz der vorausschauenden Instandhaltung immer stärker im Fokus. Dieser verspricht, die häufig komplexen Zusammenhänge in Einklang zu bringen und hat mit den neuen Technologien und Chancen der vierten industriellen Revolution weiter an Auftrieb gewonnen. 

Eine Studie von McKinsey sieht in Predictive Maintenance sogar eines der wichtigsten Anwendungsfelder für das Internet of Things (IoT) und rechnet bis 2025 mit einem Einsparungspotenzial von bis zu 630 Mrd. US-Dollar. So sei mit 20 bis 40 % weniger Wartungskosten für Produktionsanlagen und Medizinprodukte, 50 % weniger Ausfallzeiten und 10 bis 40 % weniger Wartungskosten für zum Beispiel Airlines durch zustandsorientierte Wartung auszugehen. Daneben werde der Investitions­bedarf durch die längere Lebensdauer von Produkten und Anlagen um 3 bis 5 % sinken. Die Basis hierfür bilden vor allem die Chancen, welche sich durch die zunehmende Vernetzung von Produktionssys­temen sowie einer systematischen Nutzung von mittels Sensoren gelieferten Maschinendaten ergeben. 

Der Markt bietet hierfür inzwischen praxisbewährte Systeme, wie beispielsweise die Entscheidungssoftware ‚Qualicision‘ von PSI FLS Fuzzy Logik & Neuro Systeme. Kombiniert mit künstlichen neuronalen Netzen ermöglicht sie die prädiktive oder auch automatisch situative Instandhaltung auf Basis großer Datenmengen im Sinne von Big Data. 

Kategorisierung wartungsrelevanter Signale

Um aus den gelieferten Maschinendaten automatische Regeln beziehungsweise eine automatische Klassifizierung ableiten zu können, unterscheidet die Software nach der Auswahl relevanter Ma­schinendaten wie Temperatur, Druck, Arbeitsstunden, Termin der letzten Wartung, Stromverbrauch oder Kritikalität des Maschinenausfalls sowie zwischen deren negativen, normalen und positiven Auswirkungen auf eine Wartung. Hierfür werden im Vorfeld die abgesicherten Zustandsklassen und Zielfunktionen für die einzelnen Kriterien definiert. Zusammen mit den Maschinen-Experten erfolgt also im ersten Schritt die ­Festlegung der relevanten Kriterien sowie der verschiedenen Klassifizierungs-Cluster (Korridore) zur Datenbewertung. 

Dabei werden zum Beispiel Fragestellungen wie „In welchen Wertebereichen ist eine Abstufung nach Dringlichkeit einer Instandhaltung zu definieren?“ berücksichtigt. Infolgedessen kann zusammen mit den gelieferten Maschinendaten hinsichtlich eines Kriteriums oder einer Kombination aus Kriterien eine qualifizierte Entscheidung darüber getroffen werden, wann eine Instandhaltung notwendig wird.

Mit Hilfe der ­Software lassen sich die ­Kriterien priorisieren und empfohlene Entscheidungen festlegen.

© PSI FLS Fuzzy Logik & Neuro Systeme

Die Klassifizierung der Maschinendaten erfolgt schließlich nach Kategorien wie ‚Akuter Wartungsbedarf‘, ‚Mittelfristiger Wartungsbedarf‘ sowie ‚Langfristiger Wartungsbedarf‘ oder aber folgt weiteren, definierbaren Abstufungen. Künstliche neuronale Netze lernen zugehörige Zustandsklassen und erkennen diese anschließend automatisch. 

Die von einem wartungsrelevanten Objekt, etwa von einer Maschine, gelieferten Sensordaten qualifiziert die Software im zweiten Schritt als Datensätze nach den definierten und relevanten Wartungskriterien automatisch. Die Kriterien kann die Software dabei unterschiedlich priorisieren und ihnen eine höhere beziehungsweise niedrigere Gewichtung bei den Wechselwirkungen verleihen. Auf diese Weise gelingt die Kategorisierung der wartungsrelevanten Signale. Qualicision ermöglicht somit, bei der Planung und Steuerung von Wartungsteams nachvollziehbare Informationen zur Entscheidungsfindung zu liefern und sogar aufgrund der empfohlenen Kategorie automatisch die Disposition eines dringenden Entstörungsfalles beziehungsweise einer planmäßigen Wartungstätigkeit – etwa in einem Workforce-Managementsystem – anzustoßen.

Wartungsabläufe integrieren

Die offensichtlichen Vorteile einer prä­dikativen Instandhaltung hat die Industrie längst erkannt. Neueste Lösungen, welche beispielsweise Entscheidungs­software mit künstlichen neuronalen Netzen verknüpfen, ermöglichen die Ein­bindung von Wartungsabläufen in bereits exis­tierende Unternehmens­abläufe ohne eine Überarbeitung der grundlegenden Fertigungsprozesse. In der Konsequenz führen sie zu einer ­besseren Produktions­planung, einer längeren Laufzeit der Maschinen und sie erfüllen das Ziel einer Minimierung von ungeplanten, teuren Stillständen bis hin zu hohen Reinvestitionen.

Erweiterte Fuzzy-Logik und künstliche neuronale Netze

Die Entscheidungssoftware Qualicision (Qualified Decision) steht für eine qualifizierte Entscheidungsunterstützung in der Optimierung von komplexen Geschäftsprozessen basierend auf der eigens entwickelten, komplementär erweiterten Fuzzy-Logik. Fuzziness – Unschärfe – entsteht insbesondere durch die Vielfalt der Daten und der Wechselwirkungen zwischen den Möglichkeiten zur Steuerung von komplexen Geschäftsprozessen und den Prozesszielen in Form von Leistungskennzahlen (Key Performance Indicators, KPI). Die Fuzzy-Logik erlaubt beispielsweise, die Ausprägung einer Eigenschaft wie ‚ein bisschen‘, ‚ziemlich‘, ‚stark‘ oder ‚sehr‘ zur Verstärkung oder Abschwächung eines Prädikats kombiniert symbolisch und numerisch (subsymbolisch) zu erfassen und damit die Unschärfe eines sprachlichen Ausdrucks mathematisch präzise zu modellieren. Qualicision ermittelt qualifizierte Auswahlentscheidungen oder die Erstellung von Rangfolgen bei auswählbaren Alternativen. Dabei bewertet die Software die verfügbaren Entscheidungsalternativen in Hinblick auf die Erfüllung der Prozessziele und stellt diese als Wirkungsmatrix dar. Diese wird mittels einer Konflikt- und Verträglichkeitsanalyse (KV-Analyse) untersucht. Das Ergebnis ist eine ausbalancierte Entscheidung beziehungsweise ein Ranking von Entscheidungsalternativen, welches die Prioritäten im Hinblick auf die Prozessziele des Entscheiders widerspiegelt. Technisch betrachtet macht die KV-Analyse die sogenannte kombinatorische Vielfalt der Steuerungsmöglichkeiten im Hinblick auf die Optimierung der KPIs beherrschbar.

Die Qualicision-Software wird mit künstlichen neuronalen Netzen kombiniert. Bei solchen Netzen handelt es sich um eine algorithmische Vorgehensweise, welche an den biologischen Prozess der Aktivierung und Verarbeitung von Neuronen im Gehirn angelehnt ist, um komplexe Probleme der Datenverarbeitung zu lösen. Besonders im Rahmen der Bildverarbeitung haben sich in den letzten Jahren die ‚Convolutional Neural Networks (CNN)‘ durch ihre, selbst dem Menschen überlegene, Klassifikationsfähigkeit etabliert. In den Bereichen der Sequenzanalyse, Spracherkennung und Textklassifikation erreichen ‚Recurrent Neural Networks‘ (RNN) bei aktuellen Problemstellungen Höchstleistungen. Besonders durch ihre Robustheit gegenüber Fehlern und Datenrauschen sind künstliche neuronale Netze vielen anderen Verfahren des maschinellen Lernens wie zum Beispiel der statistischen Regression überlegen. Durch die in den letzten Jahren immens gestiegene Rechenleistung von Grafikkarten ist auch das komplexe Training von vielen Millionen Daten möglich geworden. Ziel ist, dass mit Anwendungen der künstlichen neuronalen Netze nun entscheidend mehr Möglichkeiten geboten werden sollen, den Lösungsweg qualifiziert zu erklären. PSI FLS will diesem Ziel durch die Kombination der künstlichen neuronalen Netze mit Qualicision-Aspekten entsprechen. 

Qualicision kommt als Decision-Support- und Optimierungs-Technologie branchenunabhängig zum Einsatz, zum Beispiel für die Optimierung von Produktionsreihenfolgen in der Automobilindustrie oder in produzierenden Unternehmen generell, für das Management von Transportprozessen, die Optimierung von Betriebsabläufen wie in Bus- und Straßenbahndepots oder für das Instandhaltungsmanagement von elektrischen Netzen sowie die Optimierung von Fertigungssteuerungsprozessen und Prognoseverfahren.

Autor:
Dr. Rudolf Felix ist Geschäftsführer bei PSI FLS Fuzzy Logik & Neuro Systeme.